ОтветыОпубликовано17 источники
Три модели Pelican — три подхода к интеллекту робота
Публичные отчёты X Humanoid описывают три взаимодополняющие модели: для связи зрения и действий, симуляции будущих наблюдений и объединения понимания, рассуждения, воображения и действий. После дообучения на RoboTwin Pelican VLA 0.5 показала успешность 91,4% на RoboTwin Clean и 91,0% на RoboTwin Randomized.
ОпубликовалОтредактировано с помощью GPT-6 LunaИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- Публичные отчёты X Humanoid описывают три взаимодополняющие модели: для связи зрения и действий, симуляции будущих наблюдений и объединения понимания, рассуждения, воображения и действий.
- После дообучения на RoboTwin Pelican VLA 0.5 показала успешность 91,4% на RoboTwin Clean и 91,0% на RoboTwin Randomized.
- Доступные источники не подтверждают, что все эти идеи, предполагаемая классификация обобщения и цикл самообучения были представлены в ключевом докладе на ROSCon China.
Промпт ИИ
openai.comCreate a landscape editorial hero image for this Studio Global article: What roadmap did the Beijing Innovation Center of Humanoid Robotics (X-Humanoid) present through world model lead Zou Shilong’s “Exploring U. Article summary: The available evidence supports X-Humanoid’s broader direction: combining visual-language understanding, imagined future observations, and action generation in unified embodied models, with a world-model simulator suppor. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Публичные материалы X-Humanoid о линейке Pelican показывают направление исследований: связать восприятие, прогнозирование будущего и действия робота. В них описаны три модели с разными задачами: Pelican-VLA 0.5 предсказывает действия и будущие кадры, Pelican-Sim 1.0 прогнозирует будущие наблюдения с учётом действий робота, а Pelican-Unify объединяет понимание, рассуждение, воображение и действие. 17
18
44
Однако доступные источники не подтверждают, что вся эта исследовательская программа — или связанная с ней подробная классификация обобщения и цикл саморазвивающихся политик — была представлена в октябрьском ключевом докладе Zou Shilong на ROSCon China.
Что известно о моделях Pelican
Pelican-VLA 0.5: от изображения к действию
Pelican-VLA 0.5 описана как единая модель «зрение — язык — действие» (VLA): одна архитектура объединяет понимание визуальной и языковой информации, генерацию будущих кадров и предсказание действий. 44
В репозитории проекта указана общая базовая модель Qwen3-VL 4B и опубликованный кросс-эмбодиментный предобученный чекпойнт — то есть модель, рассчитанная на разные типы роботизированных платформ. По данным репозитория, её обучали примерно на 2 400 часах разнородных данных о манипуляциях. 46
47
В отчёте также описано, куда направлено внимание модели: ещё до дообучения под конкретную задачу её канал действий фокусируется на объекте и зоне контакта, соответствующих инструкции. После дообучения на RoboTwin модель показала успешность 91,4% в RoboTwin Clean и 91,0% в RoboTwin Randomized. 44
46
Эти результаты относятся к Pelican-VLA 0.5. Они не подтверждают отдельное утверждение о том, что для каждой задачи к 50 исходным демонстрациям добавили 500 сгенерированных траекторий и получили определённые результаты на Pelican-Sim.
Pelican-Sim 1.0: предсказать, что произойдёт после действия
Pelican-Sim 1.0 представлена как симулятор на основе модели мира: она прогнозирует будущие наблюдения, учитывая визуальный контекст и действия робота, чтобы поддержать последующее обучение и принятие решений. В техническом отчёте описано синхронное числовое и визуальное представление действий. 17
Заявленная роль этой модели отличается от задачи Pelican-VLA 0.5. Если VLA связывает восприятие с предсказанием действия, то Pelican-Sim сосредоточена на прогнозе того, что робот увидит после совершённого действия. Отчёт подтверждает именно такую роль модели, но не доказывает наличие четырёхуровневой стратегии работы с данными, приписываемой докладу, или конкретных результатов эксперимента с 50 исходными и 500 сгенерированными траекториями. 17
Pelican-Unify: понимание, рассуждение, воображение и действие
В техническом отчёте Pelican-Unify 1.0 описана как модель воплощённого интеллекта, которая объединяет понимание, рассуждение, воображение и действие. Согласно отчёту, единая визуально-языковая модель используется как компонент понимания: она отображает сцены, инструкции, визуальный контекст и историю действий в общее семантическое пространство. 18
Модель была публично описана до октябрьского мероприятия: отчёт имеет идентификатор мая 2026 года, а публикация от того же месяца сообщает о её выпуске. Поэтому называть Pelican-Unify впервые представленной в октябре некорректно. При этом источники не исключают, что на конференции её могли впервые представить конкретной аудитории. 18
24
Как модели дополняют друг друга
Вместе эти разработки можно рассматривать как разные части системы обучения роботов: Pelican-VLA 0.5 связывает визуально-языковой ввод с прогнозом действий и будущих кадров; Pelican-Sim 1.0 моделирует будущие наблюдения при заданных действиях; Pelican-Unify стремится объединить понимание, рассуждение, воображение и действие. 17
18
44
Это обобщение опубликованных описаний моделей, а не подтверждённая последовательность этапов или дорожная карта, объявленная на ключевом докладе.
Что остаётся неподтверждённым о докладе
Сайт ROSCon China подтверждает, что конференцию планировали провести в Шанхае с 16 по 18 октября 2026 года. Однако опубликованная программа в имеющихся материалах не позволяет установить название ключевого доклада, его автора, слот 17 октября или содержание выступления. 3
Источники также не подтверждают точные определения четырёх уровней обобщения, которые приписывают докладу: фонового, композиционного, межплатформенного и вне домена обучения. Без записи выступления, слайдов или подробного официального отчёта приписывать эти определения Zou Shilong было бы рискованно.
Не подтверждена и предполагаемая четырёхслойная стратегия данных: от видео от первого лица без привязки к конкретному телу робота и съёмки на ручные устройства UMI — через симулированные или сгенерированные данные — к данным о восстановлении после ошибок и итерациям политики управления с обратной связью.
Кроме того, доступные материалы не подтверждают приписываемые докладу методы анализа представлений, вмешательства в механизмы внимания и поведенческие тесты, призванные определить, насколько модель опирается на визуальные и языковые сигналы. Не установлены и детали предполагаемой работы над длительным восстановлением после сбоев или цикла, связывающего симуляцию внутри модели, обновление политики, проверку на реальном роботе и сбор обратной связи.
Надёжный вывод пока уже: в публичных отчётах X-Humanoid исследует способы объединить восприятие, представление возможного будущего и действия робота, а также развивает симуляцию на основе модели мира. Более подробная дорожная карта, приписываемая ключевому докладу, по имеющимся источникам не подтверждена.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «Три модели Pelican — три подхода к интеллекту робота»?
Публичные отчёты X Humanoid описывают три взаимодополняющие модели: для связи зрения и действий, симуляции будущих наблюдений и объединения понимания, рассуждения, воображения и действий.
Какие ключевые моменты необходимо проверить в первую очередь?
Публичные отчёты X Humanoid описывают три взаимодополняющие модели: для связи зрения и действий, симуляции будущих наблюдений и объединения понимания, рассуждения, воображения и действий. После дообучения на RoboTwin Pelican VLA 0.5 показала успешность 91,4% на RoboTwin Clean и 91,0% на RoboTwin Randomized.
Что мне делать дальше на практике?
Доступные источники не подтверждают, что все эти идеи, предполагаемая классификация обобщения и цикл самообучения были представлены в ключевом докладе на ROSCon China.
Источники
arxiv.orgPelican-Sim 1.0: A General World Model Simulator for Embodied ...
github.comreadme.md - Pelican-VLA 0.5
huggingface.coREADME.md · X-Humanoid/Pelican-VLA05 at 5623cf1629aae870b973025a675e4534adc44d83